本文章转载于 http://www.xiaoleilu.com/regex-guide/ ,感谢作者的干货,以备日后查询检索之用,以下属于转载内容,版权归原作者。

前言

我想在网上最出名的正则相关的一篇文章就是《正则表达式30分钟入门教程》了,说实话这篇文章确实是我的正则入门,但是随着使用熟练,冗长的文章已经不能满足我了,在此做个归纳总结,用于快速查阅。

以下语法在Java中有效,大部分应该是通用的。

元字符

元字符,又叫字符集,就是用一些特殊符号表示特定种类的字符或位置。

匹配字符

  • . 匹配除换行符以外的任意字符
  • \w 匹配字母或数字或下划线或汉字
  • \s 匹配任意的空白符
  • \d 匹配数字

匹配位置

  • \b 匹配单词的开始或结束
  • ^ 匹配字符串的开始
  • $ 匹配字符串的结束
  • \G 上一个匹配的结尾(本次匹配开始)
  • \A 字符串开头(类似^,但不受处理多行选项的影响)
  • \Z 字符串结尾或行尾(不受处理多行选项的影响)
  • \z 字符串结尾(类似$,但不受处理多行选项的影响)

重复

  • * 重复零次或更多次
  • + 重复一次或更多次
  • ? 重复零次或一次
  • {n} 重复n次
  • {n,} 重复n次或更多次
  • {n,m} 重复n到m次

字符转义

如果想匹配元字符本身或者正则中的一些特殊字符,使用\转义。例如匹配*这个字符则使用\*,匹配\这个字符,使用\\

需要转义的字符:$, (, ), *, +, ., [, ], ?, \, ^, {, }, |

字符类

当需要匹配明确的字符或字符集合时候,就用到字符类。

特殊字符

  • \0hh 8进制值hh所表示的字符
  • \xhh 16进制值hh所表示的字符
  • \uhhhh 16进制值hhhh所表示的Unicode字符
  • \t Tab
  • \n 换行符
  • \r 回车符
  • \f 换页符
  • \e Escape
  • \cN ASCII控制字符。比如\cC代表Ctrl+C
  • \p{name} Unicode中命名为name的字符类,例如\p{IsGreek}

陈列

  • [aeiou] 匹配一个元音字符
  • [.?!] 匹配给定的一个标点

范围

  • [0-9] 匹配0~9的数字,同\d
  • [a-z] 匹配所有小写字母
  • [a-zA-Z] 匹配所有字母
  • [a-z0-9A-Z_] 等同于\w

反义

表示不属于元字符或者字符类的字符

反义元字符

  • \W 匹配任意不是字母,数字,下划线,汉字的字符
  • \S 匹配任意不是空白符的字符
  • \D 匹配任意非数字的字符
  • \B 匹配不是单词开头或结束的位置

反义字符类

  • [^x] 匹配除了x以外的任意字符
  • [^aeiou] 匹配除了aeiou这几个字母以外的任意字符

分枝条件

又叫逻辑运算符,在此XY表示两个表达式

  • XY X紧跟Y
  • X|Y 表示X或Y,从左到右,满足第一个条件就不会继续匹配了。

分组

在这里我把表达式统一以\w为例:

  • (\w) 被一个括号包围起来是一个整体,表示一个分组
  • (\w)(\w) 自动命名分组,第一个小括号是分组1,第二个小括号是分组2
  • (?'Word'\w+)) 表示定义了一个叫做Word的分组
  • (?<Word>\w+)) 表示定义了一个叫做Word的分组
  • (?:\w+) 匹配exp,不捕获匹配的文本,也不给此分组分配组号

后向引用

后面的表达式可以引用前面的某个分组,用\1表示,就好像分组1的值赋值给了\1这个变量,这个变量可以在后面任意位置引用。

  • \1 表示分组1匹配的文本
  • \k<Word> 表示分组Word匹配的文本

匹配重复两个的英文,例如匹配Hello Hellolei123 lei123

  1. (\w+)\s+\1
  2. (?<Word>\w+)\s+\k<Word>

零宽断言(正向和负向)

零宽断言表示匹配字符的时候再添加一些定位条件,使匹配更精准。

  • \w+(?=ing) 匹配以ing结尾的多个字符(不包括ing)
  • \w+(?!ing) 匹配不是ing结尾的多个字符

  • (?<=re)\w+ 匹配以re开头的多个字符(不包括re)
  • (?<!re)\w+ 匹配不是re开头的多个字符

  • (?<=\s)\d+(?=\s) 匹配两边是空白符的数字,不包括空白符

贪婪与懒惰

贪婪:匹配尽可能长的字符串

懒惰:匹配尽可能短的字符串

懒惰模式的启用只需在重复元字符之后加?既可。

  • *? 重复任意次,但尽可能少重复
  • +? 重复1次或更多次,但尽可能少重复
  • ?? 重复0次或1次,但尽可能少重复
  • {n,m}? 重复n到m次,但尽可能少重复
  • {n,}? 重复n次以上,但尽可能少重复

处理选项

在表达式里插记号的方式来启用绝大多数的模式,在正则的哪里插入,就从哪里启用。

  1. (?i):忽略大小写(CASE_INSENSITIVE)
  2. (?x):忽略空格字符(COMMENTS)
  3. (?s).匹配任意字符,包括换行符(DOTALL)
  4. (?m):多行模式(MULTILINE)
  5. (?u):对Unicode符大小写不敏感(UNICODE_CASE),必须启用CASE_INSENSITIVE
  6. (?d):只有’\n’才被认作一行的中止(UNIX_LINES)

平衡组/递归匹配

平衡组用于匹配嵌套层次结构,常用于匹配HTML标签(当HTML内容不规范,起始标签和结束标签数量不同时,匹配出正确配对的标签),在此把表达式统一以\w为例。

  • (?'group'\w) 捕获的分组(\w匹配到的内容)命名为group,并压入堆栈
  • (?'-group'\w) 捕获分组(\w匹配到的内容)后,弹出group分组栈的栈顶内容(最后压入的捕获内容),堆栈本来为空,则本分组的匹配失败
  • (?(group)yes|no) 如果group栈非空匹配表达式yes,否则匹配表达式no
  • (?!) 零宽负向先行断言,由于没有后缀表达式,试图匹配总是失败

注释

注释语法:(?#comment),这个语法的内容会被正则忽略,用于注释含义。可以放在正则表达式的任意位置。


参考:

正则表达式30分钟入门教程

正则表达式